大数据数据挖掘案例
大数据数据挖掘案例
【篇一：大数据数据挖掘案例】
本文为系列文，该篇为第一篇。下面是正文：
简而言之，数据挖掘（data mining）是有组织有目的地收集数据，通过分析数据使之成为信息，从而在大量数据中寻找潜在规律以形成规则或知识的技术。在本文中，我们从数据挖掘的实例出发，并以数据挖掘中比较经典的分类算法入手，给读者介绍我们怎样利用数据挖掘的技术解决现实中出现的问题。
数据挖掘是如何解决问题的？
本节通过几个数据挖掘实际案例来诠释如何通过数据挖掘解决商业中遇到的问题。下面关于“啤酒和尿不湿”的故事是数据挖掘中最经典的案例。而target公司通过“怀孕预测指数”来预测女顾客是否怀孕的案例也是近来为数据挖掘学者最津津乐道的一个话题。
尿不湿和啤酒很多人会问，究竟数据挖掘能够为企业做些什么？下面我们通过一个在数据挖掘中最经典的案例来解释这个问题——一个关于尿不湿与啤酒的故事。超级商业零售连锁巨无霸沃尔玛公司（wal mart）拥有世上最大的数据仓库系统之一。为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行了购物篮关联规则分析，从而知道顾客经常一起购买的商品有哪些。在沃尔玛庞大的数据仓库里集合了其所有门店的详细原始交易数据，在这些原始交易数据的基础上，沃尔玛利用数据挖掘工具对这些数据进行分析和挖掘。一个令人惊奇和意外的结果出现了：“跟尿不湿一起购买最多的商品竟是啤酒”！这是数据挖掘技术对历史数据进行分析的结果，反映的是数据的内在规律。那么这个结果符合现实情况吗？是否是一个有用的知识？是否有利用价值？
为了验证这一结果，沃尔玛派出市场调查人员和分析师对这一结果进行调查分析。经过大量实际调查和分析，他们揭示了一个隐藏在“尿不湿与啤酒”背后的美国消费者的一种行为模式：
在美国，到超市去买婴儿尿不湿是一些年轻的父亲下班后的日常工作，而他们中有30%～40%的人同时也会为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫不要忘了下班后为小孩买尿不湿，而丈夫们在买尿不湿后又随手带回了他们喜欢的啤酒。另一种情况是丈夫们在买啤酒时突然记起他们的责任，又去买了尿不湿。既然尿不湿与啤酒一起被购买的机会很多，那么沃
尔玛就在他们所有的门店里将尿不湿与啤酒并排摆放在一起，结果
是得到了尿不湿与啤酒的销售量双双增长。按常规思维，尿不湿与
啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行
挖掘分析，沃尔玛是不可能发现数据内这一有价值的规律的。
target和怀孕预测指数关于数据挖掘的应用，最近还有这样一个真
实案例在数据挖掘和营销挖掘领域广为流传。
美国一名男子闯入他家附近的一家美国零售连锁超市target店铺
（美国第三大零售商塔吉特）进行抗议：“你们竟然给我17岁的女
儿发婴儿尿片和童车的优惠券。”店铺经理立刻向来者承认错误，但
是其实该经理并不知道这一行为是总公司运行数据挖掘的结果。如
图所示。一个月后，这位父亲来道歉，因为这时他才知道他的女儿
的确怀孕了。target比这位父亲知道他女儿怀孕的时间足足早了一
个月。
target怀孕预测指数
target能够通过分析女性客户购买记录，“猜出”哪些是孕妇。他们
从target的数据仓库中挖掘出25项与怀孕高度相关的商品，制作“怀孕预测”指数。比如他们发现女性会在怀孕四个月左右，大量购
买无香味乳液。以此为依据推算出预产期后，就抢先一步将孕妇装、婴儿床等折扣券寄给客户来吸引客户购买。
如果不是在拥有海量的用户交易数据基础上实施数据挖掘，target
不可能做到如此精准的营销。
电子商务网站流量分析网站流量分析，是指在获得网站访问量基本
数据的情况下对有关数据进行的统计和分析，其常用手段就是web
挖掘。web挖掘可以通过对流量的分析，帮助我们了解web上的用
户访问模式。那么了解用户访问模式有哪些好处呢？
在技术架构上，我们可以合理修改网站结构及适度分配资源，构建
后台服务器群组，比如辅助改进网络的拓扑设计，提高性能，在有
高度相关性的节点之间安排快速有效的访问路径等。帮助企业更好
地设计网站主页和安排网页内容。帮助企业改善市场营销决策，如
把广告放在适当的web页面上。帮助企业更好地根据客户的兴趣来
安排内容。帮助企业对客户群进行细分，针对不同客户制定个性化
的促销策略等。人们在访问某网站的同时，便提供了个人对网站内
容的反馈信息：点击了哪一个链接，在哪个网页停留时间最多，采
用了哪个搜索项、总体浏览时间等。而所有这些信息都被保存在网
站日志中。从保存的信息来看，网站虽然拥有了大量的网站访客及
其访问内容的信息，但拥有了这些信息却不等于能够充分利用这些
信息。
那么如果将这些数据转换到数据仓库中呢？这些带有大量信息的数
据借助数据仓库报告系统（一般称作在线分析处理系统），虽然能
给出可直接观察到的和相对简单直接的信息，却也不能告诉网站其
信息模式及怎样对其进行处理，而且它一般不能分析复杂信息。所
以对于这些相对复杂的信息或是不那么直观的问题，我们就只能通
过数据挖掘技术来解决，即通过机器学习算法，找到数据库中的隐
含模式，报告结果或按照结果执行。为了让电子商务网站能够充分
应用数据挖掘技术，我们需要采集更加全面的数据，采集的数据越
全面，分析就能越精准。在实际操作中，有以下几个方面的数据可
以被采集：
访客的系统属性特征。比如所采用的操作系统、浏览器、域名和访
问速度等。访问特征。包括停留时间、点击的url等。条款特征。包
括网络内容信息类型、内容分类和来访url等。产品特征。包括所访
问的产品编号、产品目录、产品颜色、产品价格、产品利润、产品
数量和特价等级等。当访客访问该网站时，以上有关此访客的数据
信息便会逐渐被积累起来，那么我们就可以通过这些积累而成的数
据信息整理出与这个访客有关的信息以供网站使用。可以整理成型
的信息大致可以分为以下几个方面：
访客的购买历史以及广告点击历史。访客点击的超链接的历史信息。访客的总链接机会（提供给访客的超级链接）。访客总的访问时间。访客所浏览的全部网页。访客每次会话的产出利润。访客每个月的
访问次数及上一次的访问时间等。访客对于商标总体正面或负面的
评价。分类：从人脸识别系统说起美国电视剧《反恐24小时》中有
一集，当一个恐怖分子用手机拨打了一个电话，从ctu（反恐部队）
的计算机系统中便立刻发出恐怖分子出现的预警。很多好莱坞的大
片中此类智能系统的应用也比比皆是，它能从茫茫人群中实时找出
正在苦苦追踪的恐怖分子或间谍。而在2008年北京奥运会上，最引
人注意的it 热点莫过于“实时人脸识别技术”在奥运会安检系统中的
应用，这种技术通过对人脸关键部位的数据采集，让系统能够精确
地识别出所有进出奥运场馆的观众身份。
目前人脸识别技术正广泛的应用于各种安检系统中，警方只需将犯
罪分子的脸部数据采集到安检数据库，那么只要犯罪分子一出现，
系统就能精确地将其识别出来。现如今人脸识别技术已经相对成熟，
谷歌在picasa照片分享软件的工具中就已经加入了人脸识别功能。
当然，人脸识别技术牵涉到隐私，是把双刃剑，谷歌在谷歌街景地
图中故意将人脸模糊化，变得无法识别就是这个原因。如图所示为
人脸识别示意图。
人脸识别示意图
虽然需要借力于其他技术，但是人脸识别中的主要技术还是来自于
数据挖掘中的分类算法（classification）。让我们从一个最简单的
事实来解释分类的思想。设想一下，一天中午，你第一次到三里屯，站在几家以前从未去过的餐厅门前，现在的问题是该选择哪家餐厅
用餐。应该怎样选择呢？假设您没有带手机，无法上网查询，那么
可能会出现如下两种情况：
一种，你记起某位朋友去过其中一家，并且好像他对这家的评价还
不错，这时，你很有可能就直接去这家了。
第二种，没有类似朋友推荐这类先验知识，你就只能从自己以往的
用餐经历中来选择了，例如你可能会比较餐厅的品牌和用餐环境，
因为似乎以前的经历告诉自己，品牌响、用餐环境好的餐厅可能味
道也会好。不管是否意识得到，在最终决定去哪家吃的时候，我们
已经根据自己的判断标准把候选的这几家餐厅分类了，可能分成好、中、差三类或者值得去、不值得去两类。而最终去了自己选择的那
家餐厅，吃完过后我们自然也会根据自己的真实体验来判定我们的
判断准则是否正确，同时根据这次的体验来修正或改进自己的判断
准则，决定下次是否还会来这家餐厅或者是否把它推荐给朋友。
选择餐厅的过程其实就是一个分类的过程，此类分类例子是屡见不
鲜的。在古时，司天监会依赖长时间积累的信息，通过观察天象对
是否会有天灾做出分类预测。古人则通过对四季气候雨水的常年观察，总结出农作物最佳播种时间。在伯乐的《相马经》中，就通过
简单分类区分出羸马的三条标准：“大头小颈，弱脊大腹，小颈大蹄”。
其实在数据挖掘领域，有大量基于海量数据的分类问题。通常，我
们先把数据分成训练集（training set）和测试集（testing set），
通过对历史训练集的训练，生成一个或多个分类器（classifier），
将这些分类器应用到测试集中，就可以对分类器的性能和准确性做
出评判。如果效果不佳，那么我们或者重新选择训练集，或者调整
训练模式，直到分类器的性能和准确性达到要求为止。最后将选出
的分类器应用到未经分类的新数据中，就可以对新数据的类别做出
预测了。
节选谭磊所著的自《大数据挖掘》一书。未完待续……
end.
标签：除非特别注明，本站所有文章均不代表本站观点。报道中出
现的商标属于其合法持有人。请遵守理性，宽容，换位思考的原则。猜你喜欢2017-02-172017-02-112017-02-062017-01-212017-01-192016-12-232016-12-152016-11-252016-11-022016-10-26
【篇二：大数据数据挖掘案例】
马云说：互联网还没搞清楚的时候，移动互联就来了，移动互联还
没搞清楚的时候，大数据就来了。近两年，“大数据”这个词越来越
为大众所熟悉，“大数据”一直是以高冷的形象出现在大众面前，面
对大数据，相信许多人都一头雾水。下面我们通过十个经典案例，
让大家实打实触摸一把“大数据”。你会发现它其实就在身边而且也
是很有趣的。
啤酒与尿布全球零售业巨头沃尔玛在对消费者购物行为分析时发现，男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举
措居然使尿布和啤酒的销量都大幅增加了。如今，“啤酒＋尿布”的
数据分析成果早已成了大数据技术应用的经典案例，被人津津乐道。数据新闻让英国撤军2010年10月23日《卫报》利用维基解密的数据做了一篇“数据新闻”。将伊拉克战争中所有的人员伤亡情况均标
注于地图之上。地图上一个红点便代表一次死伤事件，鼠标点击红
点后弹出的窗口则有详细的说明：伤亡人数、时间，造成伤亡的具
体原因。密布的红点多达39万，显得格外触目惊心。一经刊出立即
引起朝野震动，推动英国最终做出撤出驻伊拉克军队的决定。
意料之外：胸部最大的是新疆妹子淘宝数据平台显示，购买最多的
文胸尺码为b罩杯。b罩杯占比达41.45%，其中又以75b的销量最好。其次是a罩杯，购买占比达25.26%，c罩杯只有8.96%。在文
胸颜色中，黑色最为畅销。以省市排名，胸部最大的是新疆妹子。
qq圈子把前女友推荐给未婚妻2012年3月腾讯推出qq圈子，按共同好友的连锁反应摊开用户的人际关系网，把用户的前女友推荐给
未婚妻，把同学同事朋友圈子分门别类，利用大数据处理能力给人
带来“震撼”。
“魔镜”预知石油市场走向如果你对“魔镜”还停留在“魔镜魔镜，告诉
我谁是世界上最美的女人”，那你就真的out了。“魔镜”不仅仅是童
话中王后的宝贝，而且是真实世界中的一款神器。其实，“魔镜”是
苏州国云数据科技公司的一款牛逼的大数据可视化产品，而且是国
内首款喔。
在现在，“魔镜”可以通过数据的整合分析可视化不仅可以得出谁是
世界上最美的女人，还能通过价量关系得出市场的走向。在不久前，“魔镜”帮助中石等企业分析数据，将数据可视化，使企业科学的判断、决策，节约成本，合理配置资源，提高了收益。
google成功预测冬季流感2009年，google通过分析5000万条美
国人最频繁检索的词汇，将之和美国疾病中心在2003年到2008年
间季节性流感传播时期的数据进行比较，并建立一个特定的数学模型。最终google成功预测了2009冬季流感的传播甚至可以具体到
特定的地区和州。
大数据与乔布斯癌症治疗乔布斯是世界上第一个对自身所有dna和
肿瘤dna进行排序的人。为此，他支付了高达几十万美元的费用。
他得到的不是样本，而是包括整个基因的数据文档。医生按照所有
基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。
奥巴马大选连任成功2012年11月奥巴马大选连任成功的胜利果实
也被归功于大数据，因为他的竞选团队进行了大规模与深入的数据
挖掘。时代杂志更是断言，依靠直觉与经验进行决策的优势急剧下降，在政治领域，大数据的时代已经到来；各色媒体、论坛、专家
铺天盖地的宣传让人们对大数据时代的来临兴奋不已，无数公司和
创业者都纷纷跳进了这个狂欢队伍。
微软大数据成功预测奥斯卡21项大奖2013年，微软纽约研究院的
经济学家大卫??罗斯柴尔德（david rothschild）利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。今年罗
斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个
奖项中的21个，继续向人们展示现代科技的神奇魔力。
超市预知高中生顾客怀孕明尼苏达州一家塔吉特门店被客户投诉，
一位中年男子指控塔吉特将婴儿产品优惠券寄给他的女儿——一个
高中生。但没多久他却来电道歉，因为女儿经他逼问后坦承自己真
的怀孕了。塔吉特百货就是靠着分析用户所有的购物数据，然后通
过相关关系分析得出事情的真实状况。
精选自：速途网，原文地址：/content/523734.shtml
本文tags:数据挖掘数据分析那些事数据分析
【篇三：大数据数据挖掘案例】
摘要：以下内容整理自6月4日由数据分析网举办的《大嘴巴漫谈
数据挖掘经典案例赏析》分享活动中，易向军老师的发言内容。
数据分析网的朋友们，大家晚上好，首先很感谢数据分析网的支持，提供这样一个平台，能够和大家一起分享、交流。作为《大嘴巴漫
谈数据挖掘(第2季)》的新书发布会，今天主要给大家带来3个数据
挖掘的经典案例。
一、产品精细化运营之道
运营的核心在于持续性改进，运营分析需要保证数据的精确与一致性;可以容忍一定程度上准确性的偏差。那么，准确和精确有什么区
别呢?
准确是指现象或者测量值相对事实之间的离散程度小，也就是我们
口语的接近事实、符合事实等;精确是指在条件不变的情况下，现象或者测量值能够低离散程度的反复再现，也就是我们口语说的次次
如此、回回一样等。
下面的crisp-dm代表了数据挖掘的标准过程。
在这个标准过程中最重要的是哪一个环节呢?(讨论ing)
@mountain 所有的业务都是围绕需求来的
@数据哥需求分析，想清楚怎么干，否则南辕北辙
@fs 只有知道客户需求，才能满足客户的需要
所以最重要的是商业理解。
购物篮模型，用一句话来说，就是在合适的时间、合适的地点，通
过合适的方式，向合适的人群推荐合适的产品。那么当我们确定了
购物篮分析模型的第一目标后，即我们的第一步商业理解结束之后，第二步便是数据理解。这一步需要将我们的业务模型映射到数据模型，或者换句话说，我们需要什么样的数据来支撑我们的分析目标?
我们需要什么样的数据一定要基于我们的分析目标，那么我们来分
析下我们的目标。
第一个目标是研究我们的商品，找到商品与商品之间的某种联系。
研究商品需要什么样的数据呢?消费购物单，就是我们需要超市机构
反馈给我们的票单据(小单子)，这是我们商品的购买数据。除了商品
的购买数据，还需要什么数据?我们除了要研究商品，还要研究消费者。研究消费者需要消费者个人属性数据。(在实际的工作中，根据
实际需要，不限于这里列出的数据。)
接下来是第三步是数据准备。在这个过程中需要理解数据，会用到
清理、集成、变换、归约的方法，因为原始数据来自于我们的各种
业务平台。
清理：补充缺失值、平滑噪声数据、识别或删除离群点并解决数据
不一致性
集成：将多个数据源中的数据整合起来并同意存储
变换：将数据转换为适用于挖掘的形式，例如属性规范化
归约：通过压缩、聚集、离散化等方法减少数据存储空间，并保持
模型结果与归约前几乎相同
数据准备之后，是数据建模，也就是通过数学的方法来解决业务问题。那么如何把业务问题转化成数据方法呢?
我们的分析目标是找到商品之间的某种联系，这里要用到什么数学
方法(业务语言)，这句话转化为数学角度来理解，就是找到商品之间
某种联系的一种可能性(数据语言)。可能性问题就是概率，概率就是
用来量化可能性的问题。
比如：在购买a商品的条件下购买b商品的概率是条件概率，a、b
两个商品一起购买的概率是联合概率。
我们最终发现商品之间存在某种联系，就是几个可能性，而这几个
可能性就是概率。
一个是联合概率，有购买a商品和购买b商品的概率，这个联合概
率我们给它定义一个关联规则算法，叫做支持度。
一个是条件概率，在购买a商品的条件下，又购买了b商品的概率，这个条件概率，我们称之为置信度。支持度越高，置信度越高，那
么a、b商品之前的相关性就越强。
在咱们这个概率中或者在数学中，研究相关性还有那些指标?大家要
把置信度理解为一个条件概率，严格来说跟置信区间没什么太大关系。研究相关性还有一个相关系数，相关系数的范围是-1到1，绝对值越接近于1，说明相关性越强;绝对值越接近于0，说明相关性越弱。(0,1)之间为正相关，(-1,0)之间为负相关。
正相关和负相关是数学名词，负相关在业务上怎么理解呢?负相关说
明a、b这两个商品是互相排斥的，买了a就不会再买b，可以替代。假设a、b这两个商品是互相排斥的，给出两个概率，一个概率是在
购买了a商品的前提下购买b商品的概率，一个是没有任何前提条
件下直接购买b商品的概率。这两个概率谁大谁小?直接购买的概率大，因为a、b排斥，购买了a会影响购买b，极端情况下，购买了
a就不再购买b。支持度和置信度，只能衡量两个商品的正相关，无
法衡量负相关。为此我们引入第三个指标，提升度。如果提升度小
于1，说明这个两个商品是互相排斥的;如果提升度大于1，说明这个两个商品是互相促进的。提升度等于1，说明a、b相互独立，不存
在任何关系。
通过以上的分析，最终通过关联规则算法，我们希望支持度和置信
度大一些，这里一般会定义一个最小值，这个最小值需要通过业务
经验来确定。
通过关联规则找到了2类强关联的商品组合之后，接下来需要做什么?看我们的分析目标，我们第一个分析目标就是研究商品，找到商
品之间的关联组合。第二个分析目标，研究消费者。什么样的消费
者会购买这类商品组合，这是我们接下来要完成的任务。研究消费者，我们用决策树模型。
树主要有3部分组成：根，分支，叶子。其中根是最重要的。什么
是决策呢?简单来说，就是做决定，是一种选择，从若干个方案中找
到最优的方案。决策首先会有一个决策目标，或者叫决策结论。决
策结论不是拍脑袋的，一定要有一个决策依据，通过决策依据做判断。决策由决策依据和决策结论组成。决策结论就是树的叶子，决
策依据是树的根，这样决策就和树建立联系了。
哪些消费者会购买强关联的商品组合?对老板来说，这就是一个决策
问题。在这个决策问题中，决策依据就是人的特征。老板要根据顾
客的基本属性来判断。决策是一个判断题：买还是不买。
决策流程包括决策依据和决策结论。从根到叶子的路径都是一个决
策流程。一个决策树上有若干个决策路径，我们就是要从若干个决
策路径中找到最优的路径。我们依据什么来判断这个路径的好坏?概
率大小，看哪一个路径在样本中出现的次数最多，就认为是最优的。出现次数最多是一个概率问题，频率和概率有什么关系?频率是概率
的实验值，概率是频率的理论值。
有同学说头大了，其实，我们学习数据挖掘，最终研究的业务问题
以及模型构建，就是数学上的统计问题，所以统计学一定要学好，
不然学习模型会比较吃力。也就是说数据挖掘也是有一定门槛的，
对数学是有要求的。
我们通过决策树模型最后得到两类人群。可以清晰地定位哪些消费
者会购买我们的商品组合，而不是漫无目的的推荐。
以上内容是第一个案例。可能今天不能把3个案例都讲完，但是我
想的是不用图快，把一些知识点给大家讲清楚，讲透彻。下面我们
来看用户体验中的数据挖掘案例。
二、用户体验中的数据挖掘
用户体验如何跟数据挖掘结合起来呢?什么是用户体验?用户是使用
产品的人，体验是感受，是主观的，而我们进行数据分析或者数据
挖掘是基于客观的对象。第一步就需要量化，把主观的体验量化成
客观的数据。如何量化用户体验呢?比如形容一种食品特别好吃，食
品的体验特别好。可以用色香味俱全来形容，这就是量化的东西。色，指颜色，好看，通过视觉来测量。香，通过嗅觉来测量。味，
通过味觉，尝一尝来测量。形容一种食品特别好吃，是很主观的，
但是可以通过色香味这3个可以测量的方面来形容。
我们再举一个具体的产品，比如一个网站，就是一个产品，我们怎
么来形容和描述某一个网站的用户体验好。登录或者打开一个网站，最直接的体验就是界面好看。比如，我们拿数据分析网来说，打开
数据分析网觉得界面很美观，视觉效果好。除了界面，我们还要看
内容，更新是否及时，是否有价值;还有打开速度。对于一个购物网站，最重要的体验是什么?安全性。总结下，界面、内容、性能、效率、安全等是衡量一个网站发展的体验方面。
通过食品和网站这两个例子，如果让你来量化某一个产品的用户体验，你首先应该怎么办?用户体验是一个主观的东西，主观的东西不
能被直接测量，所以需要定指标。
定指标，分解到指标。为什么强调分解这个词呢。因为用户体验本
身是个很主观的东西，不能被直接测量，就需要把它分解成若干个
可直接测量的指标，这是很关键的第一步。
通过这些间接的指标组合，衡量整个产品的用户体验。我们第一步，要构建我们的用户体验评测指标体系。这个评测指标体系就是把我
们的产品分解为若干个可以直接测量的指标。我们通过用户体验评
测指标体系，衡量产品用户体验的好坏，目的是帮助产品经理发现
产品的短板，产品的短板就是用户体验不好的地方，需要改进的地方。在改进的过程中，要确定这些短板的优先级(排序)。优先修改最
重要的部分。这就是我们的商业理解。
第一步构建了我们的模型，第二步要构建数据模型。需要什么样的
数据来支撑我们的分析目标?我们的数据是通过调查问卷，获得那些
指标数据。通过问卷调研的题目，对应我们的指标。获得数据支撑
以后，构建模型。通过数学的方法，来解决我们的业务问题。我们
的业务问题，回到分析目标，第一个目标构建用户体验的指标评测
体系，将我们的产品用户体验分解成若干个可以被直接测量的部分。这一个目标隐藏了一个什么样的数学问题?比如一个食品特别好吃，
色香味俱全，你为什么认为通过色香味俱全可以描述这个食品好吃。这个凭的是经验。经验是什么?凭经验得到的模型有可能对，也有可
能错。在数学中就是假设检验的过程，需要用数据来验证。
确定了第一个数学问题之后，再看第二个，找到产品的短板所在以
及改进。这是个什么数学问题?产品的短板所在，就是每一个指标的
评分;改进问题的优先级，就是权重，指标的权重。第2个问题就是
找到每一个指标的得分和权重。
这里的模型应用就是指找到产品的短板所在以及改进。关于用户体
验的数据挖掘重点已经都讲的差不多了，由于时间关系，下面我们
快速浏览一下整个流程：
最后，如果大家作为一名产品经理，我们得到了产品的所有体验指
标得分和权重后，你首先要把满足什么条件的指标筛选出来呢?得分低、权重大。得分低，说明产品体验不好，即产品短板所在;权重大，是用户关注的比较重要的部分。用一个象限来说明，横轴是指标得分，纵轴是指标重要性。第一象限，得分高、权重高;第二象限，得
分低、权重高，这就是我们急需要改进的地方;第三象限，得分低、
权重低，对于落在这个象限的指标，作为一个产品经理，你会如何
处理?这部分需要砍掉，不能做的大而全，要抓刚需;第四象限，得分高、权重低，这是体验不错的但是用户关注度低的部分。综合来看，我们的产品用户体验要分阶段、分目标的来开展我们的优化工作，
逐步提升我们的用户体验水平。
今天很感谢大家，耽误了大家两个小时时间，希望大家能把知识点
理解透彻。
数据哥：